Entrena modelos YOLO más rápido con Ultralytics Platform

La semana pasada, Ultralytics presentó Ultralytics Platform, un espacio de trabajo unificado diseñado para simplificar la forma en que los equipos crean, entrenan e implementan modelos de visión artificial. En lugar de alternar entre varias herramientas, la plataforma lo reúne todo en un mismo lugar y facilita pasar de la idea a la implementación con modelos de IA aplicada a la visión.

Esto es fundamental porque la visión artificial se está convirtiendo rápidamente en un elemento clave de diversos sectores. Hace posibles aplicaciones como la inspección en fabricación, la analítica minorista y la navegación autónoma.

Convertir estas aplicaciones basadas en visión en sistemas fiables depende de lo bien que se entrenen los modelos. El entrenamiento de modelos consiste en aprender a partir de datos etiquetados para que el modelo pueda reconocer patrones y realizar predicciones precisas. En general, los modelos bien entrenados ofrecen un mejor rendimiento y resultados más fiables en aplicaciones del mundo real.

Sin embargo, entrenar un modelo de visión artificial no siempre es sencillo. El proceso abarca varios aspectos, como configurar los entornos, elegir los recursos de computación adecuados, ajustar los hiperparámetros y hacer un seguimiento de varios experimentos de entrenamiento. Cuando estos pasos se reparten entre distintas herramientas y sistemas, el flujo de trabajo de entrenamiento se vuelve rápidamente complejo y difícil de gestionar.

Ultralytics Platform resuelve este problema al reunir todo el proceso de entrenamiento en un único panel unificado. Puedes configurar, ejecutar y supervisar los trabajos de entrenamiento desde un mismo sitio, tanto si trabajas en la nube como en local o en Google Colab.

Fig. 1. Una muestra del entrenamiento de modelos en Ultralytics Platform (Fuente)

En este artículo veremos cómo Ultralytics Platform agiliza el entrenamiento de modelos y por qué puede darte ventaja en tus proyectos de IA aplicada a la visión.

Los modelos de visión artificial aprenden a partir de datos mediante el entrenamiento#

Antes de profundizar en cómo funciona el entrenamiento de modelos en Ultralytics Platform, demos un paso atrás y veamos qué es el entrenamiento de modelos y qué implica.

El entrenamiento de modelos es el proceso por el que un modelo de visión artificial aprende a interpretar datos visuales. Analiza imágenes o vídeos y ajusta gradualmente sus parámetros internos para realizar con precisión tareas de visión, como la detección de objetos, la segmentación de instancias y la clasificación de imágenes. Con el tiempo, el modelo mejora al aprender patrones directamente de los datos que recibe.

La calidad del entrenamiento depende en gran medida de los conjuntos de datos. Puedes pensar en un conjunto de datos como en un grupo de tarjetas didácticas que un profesor usaría para enseñar a un alumno, donde cada ejemplo ayuda al modelo a aprender en qué debe fijarse.

Un conjunto de datos de visión artificial típico incluye imágenes, normalmente en formatos como JPG o PNG, y anotaciones que describen el contenido de cada imagen. Estas anotaciones, que suelen guardarse en archivos JSON o TXT, proporcionan las etiquetas y el contexto que el modelo necesita para aprender eficazmente.

Pero entrenar no consiste solo en introducir datos en un modelo. Implica varios pasos clave, desde preparar el conjunto de datos hasta seleccionar el modelo adecuado y configurar el proceso de entrenamiento. A continuación, veamos más de cerca algunos de estos pasos.

Cómo se preparan los conjuntos de datos#

Puede parecer que, una vez que tienes un conjunto de datos, ya puedes empezar a entrenar un modelo, pero antes hay que seguir algunos pasos, como dividir el conjunto de datos.

Por lo general, un conjunto de datos se divide en tres partes: un conjunto de entrenamiento, uno de validación y otro de prueba. Las imágenes de entrenamiento se utilizan para enseñar al modelo los patrones de los datos, mientras que el conjunto de validación ayuda a supervisar y ajustar el rendimiento durante el entrenamiento.

El conjunto de prueba se utiliza al final para evaluar el rendimiento del modelo con datos completamente nuevos que no ha visto antes. Esta configuración ayuda a garantizar que el modelo no se limite a memorizar los datos, sino que pueda generalizar a situaciones del mundo real.

Cómo elegir el modelo adecuado para el entrenamiento#

Otro paso importante antes de entrenar es elegir el modelo que quieras utilizar. En muchos casos, esto significa seleccionar un modelo preentrenado. Los modelos como los de Ultralytics YOLO ya se han entrenado con grandes conjuntos de datos y han aprendido patrones visuales generales, por lo que son un excelente punto de partida.

Utilizar estos modelos es un ejemplo de aprendizaje por transferencia, en el que aprovechas los conocimientos existentes y adaptas el modelo a tu tarea específica. Este enfoque ayuda a acelerar el entrenamiento y mejorar los resultados, especialmente cuando se trabaja con pocos datos.

Estos modelos también están disponibles en distintos tamaños, cada uno con un equilibrio diferente entre velocidad y precisión. Los modelos más pequeños son más rápidos y eficientes, mientras que los más grandes suelen ofrecer mayor precisión, pero requieren más recursos de computación.

Cómo configurar los parámetros de entrenamiento de los modelos de visión#

Una vez que tengas preparado el conjunto de datos y hayas seleccionado un modelo, el siguiente paso es configurar cómo aprende el modelo.

Un modelo de visión artificial se entrena con un conjunto de parámetros que determinan cómo procesa los datos, actualiza sus pesos y mejora con el tiempo. Estos ajustes influyen directamente tanto en la velocidad de entrenamiento como en la precisión final, por lo que son esenciales para lograr buenos resultados.

Estos son algunos de los parámetros de entrenamiento más utilizados:

• Épocas: Indica cuántas veces recorre el modelo todo el conjunto de datos durante el entrenamiento. Aumentar el número de épocas ofrece al modelo más oportunidades de aprender patrones a partir de los datos.
• Tamaño del lote: Es el número de imágenes que se procesan juntas en un único paso de entrenamiento. Los lotes más grandes pueden acelerar el entrenamiento, pero requieren más memoria.
• Tamaño de imagen: Especifica la resolución de las imágenes de entrada que se utilizan durante el entrenamiento. Una mayor resolución puede mejorar la precisión de la detección, pero aumenta el coste computacional.
• Tasa de aprendizaje: Es la velocidad a la que el modelo actualiza sus parámetros internos durante el entrenamiento. Los valores demasiado altos o bajos pueden desestabilizar el entrenamiento.
• Optimizador: Es el algoritmo responsable de actualizar los parámetros del modelo según el error calculado en cada iteración del entrenamiento.

En los flujos de trabajo basados en Ultralytics YOLO, estos ajustes se pasan como argumentos de entrenamiento, mientras que el conjunto de datos se describe en un archivo YAML. Este archivo especifica las rutas a los datos, los nombres de las clases y cómo se dividen los datos. Funciona como una configuración central que indica al modelo cómo interpretar el conjunto de datos.

De flujos de trabajo fragmentados a una experiencia unificada con Ultralytics Platform#

Acabamos de repasar algunos de los pasos clave para entrenar un modelo de visión artificial, desde preparar los conjuntos de datos hasta seleccionar un modelo y configurar los parámetros de entrenamiento. En la práctica, el proceso suele ir más allá e incluye el seguimiento de experimentos, la comparación de varias ejecuciones de entrenamiento y el perfeccionamiento continuo de los modelos.

Estos pasos rara vez se gestionan desde un único sitio. Los conjuntos de datos pueden prepararse con una herramienta, las ejecuciones de entrenamiento realizarse en otro entorno y el seguimiento de experimentos gestionarse por separado. A medida que los proyectos crecen, esta fragmentación añade complejidad, ralentiza la iteración y dificulta mantenerlo todo organizado.

Ultralytics Platform elimina esta complejidad al reunir todo el flujo de trabajo de entrenamiento en un solo entorno. En lugar de ir cambiando de herramienta, puedes gestionar los conjuntos de datos, configurar el entrenamiento, ejecutar experimentos y supervisar los resultados desde un mismo sitio.

A continuación, veamos cómo Ultralytics Platform hace más inteligente el entrenamiento de modelos.

Opciones de entrenamiento compatibles con Ultralytics Platform#

En las aplicaciones del mundo real, entrenar un modelo de visión artificial suele requerir entornos flexibles. Según el tamaño del conjunto de datos, la complejidad del modelo y el hardware disponible, puedes optar por entrenarlo en la nube, en una máquina local o en entornos de cuadernos externos.

Ultralytics Platform admite las siguientes opciones de entrenamiento para adaptarse a estas necesidades:

• Entrenamiento en la nube: El entrenamiento se ejecuta en unidades de procesamiento gráfico (GPUs) en la nube gestionadas por Ultralytics. Esta opción es ideal para conjuntos de datos más grandes o modelos más complejos que requieren muchos recursos computacionales.
• Entrenamiento local: Esta opción utiliza el hardware disponible en tu equipo y es ideal para experimentos rápidos, probar configuraciones o trabajar con conjuntos de datos más pequeños. Para cargas de trabajo más escalables, también puedes ejecutar el entrenamiento en tu propio entorno de nube, como AWS o GCP.
• Google Colab: Con Ultralytics Platform, puedes ejecutar el entrenamiento en el entorno de cuadernos alojado de Google Colab, lo que permite un flujo de trabajo flexible desde el navegador sin tener que configurar una máquina local.

Descubre el entrenamiento en la nube en Ultralytics Platform#

En los proyectos de visión artificial, entrenar modelos en local o en entornos de cuadernos no siempre es fácil.

Por ejemplo, en el entrenamiento local, el rendimiento depende por completo del hardware, lo que puede limitar la capacidad de computación y ralentizar la experimentación. Las GPU son esenciales para entrenar de forma eficiente, pero no todas las configuraciones ofrecen un acceso fiable a ellas.

Aunque los entornos de cuadernos como Google Colab ofrecen una alternativa al proporcionar GPU en la nube, las sesiones suelen ser temporales y pueden interrumpir ejecuciones de entrenamiento prolongadas. A medida que crecen los conjuntos de datos y los flujos de trabajo se vuelven más complejos, estas limitaciones pueden convertirse rápidamente en cuellos de botella y hacer que el entrenamiento sea más lento y menos fiable.

Ultralytics Platform aborda este problema con su opción de entrenamiento en la nube. Proporciona un entorno listo para usar con dependencias de Python y frameworks como PyTorch preconfigurados, lo que te permite empezar a entrenar sin configuraciones adicionales.

Desde un único panel, puedes iniciar trabajos de entrenamiento y supervisar el progreso en tiempo real. Así, te resultará más fácil centrarte en mejorar tus modelos en lugar de gestionar la infraestructura.

Ahora veamos cómo empezar a entrenar en la nube con Ultralytics Platform.

Paso 1: Selecciona un modelo base#

El primer paso es elegir un modelo base para la ejecución de entrenamiento. Puedes seleccionar un modelo Ultralytics YOLO preentrenado, clonar un modelo de la comunidad o subir tus propios pesos preentrenados para satisfacer requisitos específicos.

La plataforma admite todos los modelos Ultralytics YOLO, incluidos Ultralytics YOLO26, Ultralytics YOLO11, Ultralytics YOLOv8 y Ultralytics YOLOv5, disponibles en distintas variantes de tamaño, como nano (n), small (s), medium (m), large (l) y extra-large (x). Como las distintas variantes ofrecen un equilibrio diferente entre velocidad y precisión, puedes elegir el modelo que mejor se ajuste a tus requisitos de rendimiento y computación.

Estos modelos admiten varias tareas de visión artificial que ya conocen quienes utilizan Ultralytics YOLO, como la detección de objetos, la segmentación de instancias, la clasificación de imágenes, la estimación de poses y la detección de cajas delimitadoras orientadas (OBB).

Si tienes requisitos específicos, también puedes subir los pesos de tu propio modelo preentrenado. Así, puedes seguir entrenando o ajustar un modelo existente, como un detector de objetos, desde la plataforma en lugar de empezar desde cero. Esto resulta especialmente útil si ya has entrenado un modelo en otro entorno o quieres adaptarlo a un caso de uso más concreto.

Paso 2: Selecciona un conjunto de datos#

El siguiente paso es seleccionar un conjunto de datos para el entrenamiento. En Ultralytics Platform puedes utilizar conjuntos de datos existentes, como el conjunto de datos COCO, clonar conjuntos de datos de la comunidad o subir tu propio conjunto de datos personalizado, adaptado a tu aplicación específica.

La plataforma admite formatos de anotación habituales, como Ultralytics YOLO y COCO, y también puede gestionar la subida de imágenes sin procesar si tienes previsto anotar datos personalizados directamente en la plataforma.

Una vez subidos, los conjuntos de datos se procesan automáticamente, lo que incluye su validación y normalización, el análisis de etiquetas y la generación de estadísticas. Así puedes consultar de inmediato tus datos, incluida la distribución de clases y la estructura del conjunto de datos, y asegurarte de que todo esté listo para el entrenamiento.

Los conjuntos de datos también se vinculan automáticamente a las ejecuciones de entrenamiento, lo que te permite hacer un seguimiento de los datos utilizados para cada modelo y mantener la coherencia entre experimentos.

Paso 3: Configura los parámetros de entrenamiento#

Después de elegir el conjunto de datos, puedes configurar los parámetros de entrenamiento que controlan cómo aprende el modelo. Entre ellos están el número de épocas, el tamaño del lote, el tamaño de imagen y el nombre de la ejecución que aparecerá en el registro de entrenamiento. Muchos de estos parámetros influyen tanto en la duración del entrenamiento como en el rendimiento final del modelo.

Para controlar mejor el entrenamiento, la plataforma también te permite ajustar parámetros avanzados, como la tasa de aprendizaje, el tipo de optimizador, los ajustes de aumento de color y otras opciones de entrenamiento. Estos ajustes permiten afinar el proceso para mejorar la precisión y la estabilidad del modelo.

Paso 4: Selecciona una GPU#

A continuación, puedes seleccionar la configuración de GPU para tu ejecución de entrenamiento. Elegir la GPU adecuada depende de factores como el tamaño del conjunto de datos, el tamaño del lote, la resolución de las imágenes y la complejidad del modelo. Encontrar el equilibrio adecuado ayuda a que el entrenamiento sea eficiente sin utilizar más capacidad de cálculo de la necesaria.

Ultralytics Platform ofrece 26 opciones de GPU con distintos niveles de VRAM (memoria de la GPU) y potencia de cálculo, para dar soporte desde tareas pequeñas hasta cargas de trabajo a gran escala.

Así puedes adaptar el hardware a tus necesidades específicas, tanto si entrenas modelos ligeros como si trabajas con conjuntos de datos grandes y complejos. Para obtener más información, consulta la lista de GPU disponibles en la página de documentación sobre el entrenamiento en Platform de Ultralytics.

Fig. 2. Algunas de las opciones de GPU disponibles en Ultralytics Platform (Fuente)

Paso 5: Inicia el entrenamiento en la nube#

Una vez que hayas seleccionado el modelo, el conjunto de datos, los parámetros de entrenamiento y la opción de computación, iniciar una ejecución de entrenamiento es rápido. Desde el panel, puedes iniciar el entrenamiento con un solo clic; después, la plataforma se encarga del resto: inicializa el entorno y ejecuta el trabajo en la GPU seleccionada.

Cuando empiece el entrenamiento, puedes supervisar el progreso directamente desde la plataforma. La pestaña Train ofrece visibilidad en tiempo real de las métricas clave, incluidas las métricas de rendimiento, las curvas de pérdida, el uso del sistema y los registros de entrenamiento en directo.

Para obtener más información sobre cómo entrenar en local o utilizar Google Colab con Ultralytics Platform, puedes consultar otros tutoriales en la documentación oficial de Platform de Ultralytics.

Evaluar y comparar modelos en Ultralytics Platform#

Una vez completado el entrenamiento, el siguiente paso es evaluar el rendimiento del modelo. En Ultralytics Platform, puedes comparar varias ejecuciones de entrenamiento dentro de un proyecto, lo que te permite ver claramente el rendimiento de distintos experimentos.

Al desarrollar modelos, el entrenamiento suele repetirse varias veces con distintos ajustes, como cambios en la tasa de aprendizaje, el tamaño del lote o el tamaño del modelo, para mejorar los resultados. Cada ejecución produce un modelo ligeramente distinto, por lo que compararlas es fundamental.

Los proyectos funcionan como un centro en el que se organizan conjuntamente los modelos y los experimentos. Puedes hacer un seguimiento del progreso, revisar los resultados y mantener la concentración sin tener que alternar entre distintas herramientas o vistas.

Desde esta vista unificada, también puedes analizar métricas clave de rendimiento, como la precisión, la exhaustividad y la precisión media promedio (mAP), para entender el rendimiento de tu modelo en las distintas clases. También puedes comparar ejecuciones de entrenamiento en paralelo para identificar qué configuraciones ofrecen los mejores resultados.

Para complementar estas métricas, puedes utilizar la pestaña Predict y probar rápidamente los modelos entrenados con imágenes o datos de muestra, lo que te ayuda a validar visualmente el rendimiento y detectar posibles problemas.

Con esta información, puedes seleccionar el modelo con mejor rendimiento, que normalmente se guarda como el checkpoint «best.pt», y pasar a la siguiente etapa, ya sea una evaluación adicional, utilizar el modelo para ejecutar inferencias o implementarlo a través de la plataforma.

Fig. 3. Ejemplo de visualización de métricas en Ultralytics Platform (Fuente)

Estimación del coste del entrenamiento en Ultralytics Platform#

Entrenar modelos de detección de objetos en la nube genera costes de computación, especialmente si accedes a GPU de alto rendimiento. Para que te resulte más cómodo, Ultralytics Platform proporciona una estimación del coste antes de que empiece el entrenamiento.

Te permite conocer claramente el uso previsto, lo que te ayuda a planificar las cargas de trabajo, gestionar los presupuestos y evitar gastos inesperados antes de iniciar un trabajo de entrenamiento. Así puedes consultar los costes estimados antes de empezar a entrenar.

Cómo se estima el tiempo de entrenamiento#

Para estimar el coste con precisión, la plataforma calcula primero cuánto tardará una época de entrenamiento. Esto depende de factores como el tamaño del conjunto de datos, el tamaño del modelo, la resolución de las imágenes, el tamaño del lote y la velocidad de la GPU seleccionada.

A partir de estos datos, calcula el tiempo estimado por época y lo extrapola a todo el entrenamiento. La duración total se calcula sumando el tiempo de todas las épocas y un pequeño margen inicial.

Este margen contempla tareas como inicializar el entorno, cargar los conjuntos de datos y preparar la GPU, para que la estimación refleje todo el proceso de entrenamiento y no solo el bucle de entrenamiento.

Cómo se calcula el coste del entrenamiento#

Una vez estimado el tiempo total de entrenamiento, la plataforma lo convierte en un coste según la tarifa por hora de la GPU seleccionada.

Al combinar la duración del entrenamiento con el precio de la GPU, puedes calcular claramente cuánto costará la ejecución antes de que empiece.

Conocer el coste de antemano facilita ajustar la configuración, por ejemplo, modificando los parámetros de entrenamiento o seleccionando otra GPU, para equilibrar mejor el rendimiento y el coste.

Fig. 4. Configuración del entrenamiento de modelos y estimación del coste en Ultralytics Platform (Fuente)

Ventajas principales de usar Ultralytics Platform para entrenar modelos#

Hasta ahora, hemos repasado los pasos clave del entrenamiento de modelos de visión artificial y cómo se integran en Ultralytics Platform.

Además de estas funciones principales, hay otras capacidades que mejoran el flujo de trabajo de entrenamiento. Estas son algunas de las ventajas clave de usar Ultralytics Platform para entrenar modelos:

• Reproducibilidad de experimentos integrada: Cada ejecución de entrenamiento se registra automáticamente con toda su configuración, incluidos el modelo, el conjunto de datos, los parámetros y la configuración de computación. Así resulta sencillo volver a consultar experimentos y reproducir los resultados de forma fiable.
• Análisis de la evolución del entrenamiento: En lugar de limitarte a consultar los resultados finales, puedes seguir la evolución del rendimiento a lo largo de las épocas y comprender mejor el comportamiento del modelo durante el entrenamiento.
• Menos carga operativa: Al gestionar en segundo plano la configuración del entorno, las dependencias y la infraestructura, la plataforma te permite centrarte más en desarrollar modelos y menos en la configuración.
• Organización centralizada de experimentos: Los proyectos ofrecen un único espacio para gestionar modelos, conjuntos de datos y ejecuciones de entrenamiento, y ayudan a mantener los experimentos organizados a medida que los flujos de trabajo se vuelven más complejos.

Conclusiones clave#

El entrenamiento es una de las etapas más importantes del ciclo de vida de un modelo de aprendizaje automático. Determina con qué precisión puede reconocer e interpretar datos visuales.

Al reunir en un mismo entorno la configuración de los datos de entrenamiento, la supervisión, la comparación de experimentos y la estimación de costes, Ultralytics Platform agiliza el desarrollo de modelos de visión artificial de alto rendimiento y su preparación para el despliegue.

Descubre nuestra comunidad en expansión y nuestro repositorio de GitHub para obtener más información sobre la visión artificial. Si quieres crear soluciones de visión, echa un vistazo a nuestras opciones de licencia. Explora nuestras páginas de soluciones para conocer las ventajas de la visión artificial en la fabricación y la IA en la agricultura.